钢材脱碳层深度的检测方法技术

本申请提供一种钢材脱碳层深度的检测方法，属于钢材组织检测领域。检测方法包括素材标记、深度学习以及脱碳层检测。素材标记：将每个金相照片素材中的非材料组织区、材料组织区、总脱碳区和完全脱碳区进行切割，得到标记素材。深度学习：采用深度神经网络模型对多个标记素材进行识别学习，采用标记素材的原始图像、标记后图像及单像素点长度进行初始化，得到以识别边界为输出节点的脱碳层识别模型。脱碳层检测：输入待测素材的原始图像及单像素点长度，采用脱碳层识别模型对待测素材进行识别分析，并输出待测素材的非材料组织区边界、材料组织区边界、总脱碳区边界和完全脱碳区边界。检测的重复性高、适用性好且能有效避免主观判断的不确定性。

【技术实现步骤摘要】
钢材脱碳层深度的检测方法
本申请涉及钢材组织检测领域，具体而言，涉及一种钢材脱碳层深度的检测方法。
技术介绍
钢材在加热和保温过程中，由于氧化使钢材表面的碳全部或部分丧失的现象叫做脱碳。脱碳大大降低了钢材的表面的硬度、抗拉强度、耐磨性和疲劳极限，因此对钢材的脱碳状况的检测分析是非常重要的。现有技术中，常通过对钢材的脱碳层深度进行检测以实现对钢材的脱碳状况的检测分析。其中，脱碳层深度是从材料脱碳层表面到脱碳层底部的深度，脱碳层底部是指脱碳层基体与钢材基体组织差异已经不能区别的位置。目前，主要通过金相法、硬度法和化学法对钢材的脱碳层深度进行检测。其中，金相法根据显微组织变化情况，通过人工判断确定脱碳情况及脱碳层深度，由于脱碳层的界限很难精确确定，人工判断的结果有很大的不确定性。硬度法利用含碳量与热处理后钢材的硬度存在相关性的原理，通过显微硬度的变化情况确定脱碳情况，该检测方法对显微硬度计的精度要求非常高，检测工序繁琐、工作量大；且主要用于含有对硬度影响敏感的化学成分的材料，适用性的局限非常大。化学法通过测定不同层的含碳量来确定脱碳层深度，目前分为直读光谱法、电子探针法和辉光光谱法，三种方法检测程序复杂，且对分析设备要求高，主要用于科研研究，难以用于工业上的批量检测。目前，虽然神经网络在金相的检测中有一定的应用，但是采用神经网络对钢材脱碳层深度进行检测的方式却未见记载。
技术实现思路
本申请的目的在于提供一种钢材脱碳层深度的检测方法，重复性高、适用性好且能有效避免主观判断的不确定性。本申请的实施例是这样实现的：本申请实施例提供一种钢材脱碳层深度的检测方法，包括素材标记、深度学习以及脱碳层检测。素材标记：在素材库中选择多个金相照片素材进行二分切割，以实现将每个金相照片素材切割为非材料组织区和材料组织区，将总脱碳区在材料组织区中进行切割，并将完全脱碳区在总脱碳区中进行切割，得到标记素材。深度学习：采用深度神经网络模型对多个标记素材依次进行识别学习；对每个标记素材进行识别学习包括，采用标记素材的原始图像、标记后图像及单像素点长度进行初始化，得到以识别边界为输出节点的脱碳层识别模型。脱碳层检测：输入待测素材的原始图像及单像素点长度，采用脱碳层识别模型对待测素材进行识别分析，并输出待测素材的非材料组织区边界、材料组织区边界、总脱碳区边界和完全脱碳区边界。本申请实施例提供的钢材脱碳层深度的检测方法，有益效果包括：采用二分切割将素材中的脱碳情况进行标记，对提供素材的钢材的敏感成分无特定要求，适应性好。利用深度神经网络模型对多个标记素材进行识别学习，以标记素材的原始图像、标记后图像及单像素点长度进行初始化建立识别模型，用于识别并输出待测素材的脱碳层分布情况，重复性高、检测效率高且便于批量检测，同时能有效避免主观判断的不确定性。二分切割时将材料组织区、总脱碳区和完全脱碳区进行切割，识别后能够输出材料组织区、总脱碳区边界和完全脱碳区边界，能够对材料的总脱碳区和完全脱碳区的分布和面积进行量化，还能够用于进一步对材料的脱碳层的面积占比、周长占比进行定量评价。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本申请实施例提供的一种钢材脱碳层深度的检测方法的流程图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将对本申请实施例中的技术方案进行清楚、完整地描述。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。需要说明的是，本申请中的“和/或”，如“方案A和/或方案B”，均是指可以单独地为方案A、单独地为方案B、方案A加方案B，该三种方式。下面对本申请实施例的钢材脱碳层深度的检测方法进行具体说明。本申请实施例提供一种钢材脱碳层深度的检测方法，包括素材标记、深度学习以及脱碳层检测。在一些示例性的实施方案中，深度学习和脱碳层检测之间还包括验证优化。素材标记步骤为深度学习提供对脱碳情况进行标记的标记素材。深度学习采用深度神经网络模型对进行了脱碳情况标注的标记素材进行识别学习，得到以识别边界为输出节点的脱碳层识别模型。验证优化采用未进行脱碳情况标注的验证素材对脱碳层识别模型进行优化。脱碳层检测步骤采用脱碳层识别模型对待测素材的脱碳情况进行识别。关于素材标记步骤：在本申请的实施例中，素材标记包括：在素材库中选择多个金相照片素材进行二分切割，以实现将每个金相照片素材切割为非材料组织区和材料组织区，将总脱碳区在材料组织区中进行切割，并将完全脱碳区在总脱碳区中进行切割，得到标记素材。示例性的，进行二分切割时，首先，在金相照片素材中确定非材料组织区和材料组织区的分界线，在该分界线处和金相照片素材的边界进行切割将金相照片素材切割为非材料组织区和材料组织区。然后，在材料组织区中包含有总脱碳区的情况下，在材料组织区中确定总脱碳区的分界线，在该分界线处进行切割将总脱碳区在材料组织区中切割出来。最后，在总脱碳区中包含有完全脱碳区的情况下，在总脱碳区中确定完全脱碳区的分界线，在该分界线处进行切割将完全脱碳区在总脱碳区中切割出来。进一步的，在对用于深度学习的金相照片素材的组织结构进行切割时，采用开源图像标注工具labelme在分界线处进行标注，使得标注操作方便。可选的，在对材料组织的边界进行标注时，相邻两个标记点之间的间距为8-12个像素点长度，例如为10个像素点长度，边界波动较大处忽略不进行标注，使得标注的边界线尽可能地连续且平滑。在本申请的实施例中，采用二分切割将素材中的脱碳情况进行标记用于深度神经网络模型进行识别学习，对提供素材的钢材的敏感成分无特定要求，适应性好。二分切割时，将材料组织区、总脱碳区和完全脱碳区进行切割，深度学习时能够对材料组织区、总脱碳区和完全脱碳区的边界识别进行学习，识别后能够输出材料组织区、总脱碳区边界和完全脱碳区边界，能够对材料的总脱碳区和完全脱碳区的分布和面积进行量化，还能够对材料的脱碳层的面积占比、周长占比进行定量评价。二分切割时，对边界线准确的判断，有利于准确地将素材中的不同区域进行切割。在一些示例性的实施方案中，在确定非材料组织区和材料组织区的分界线时：对于表面有氧化铁皮的试样，材料组织区的边界即试样基体同表面灰色氧化铁皮的交界；对于表面无氧化铁皮的镶嵌试样，材料组织区的边界即试样基体同镶嵌料的交界面；对于表面无氧化铁皮的无镶嵌试样，材料组织区的边界即试样基体同边缘虚像交界面。完全脱碳层是指试样中碳含量低于碳元素在铁素体中的最大固溶度的组织，完全脱碳层的微观组织中只有铁素体。在一些示例性的实施方案中，在总脱碳区中确定完本文档来自技高网...

【技术保护点】
1.一种钢材脱碳层深度的检测方法，其特征在于，包括：/n素材标记：在素材库中选择多个金相照片素材进行二分切割，以实现将每个所述金相照片素材切割为非材料组织区和所述材料组织区，将总脱碳区在所述材料组织区中进行切割，并将完全脱碳区在所述总脱碳区中进行切割，得到标记素材；/n深度学习：采用深度神经网络模型对多个所述标记素材依次进行识别学习；对每个所述标记素材进行识别学习包括，采用所述标记素材的原始图像、标记后图像及单像素点长度进行初始化，得到以识别边界为输出节点的脱碳层识别模型；/n脱碳层检测：输入待测素材的原始图像及单像素点长度，采用所述脱碳层识别模型对所述待测素材进行识别分析，并输出所述待测素材的所述非材料组织区边界、所述材料组织区边界、所述总脱碳区边界和所述完全脱碳区边界。/n

【技术特征摘要】
1.一种钢材脱碳层深度的检测方法，其特征在于，包括：
素材标记：在素材库中选择多个金相照片素材进行二分切割，以实现将每个所述金相照片素材切割为非材料组织区和所述材料组织区，将总脱碳区在所述材料组织区中进行切割，并将完全脱碳区在所述总脱碳区中进行切割，得到标记素材；
深度学习：采用深度神经网络模型对多个所述标记素材依次进行识别学习；对每个所述标记素材进行识别学习包括，采用所述标记素材的原始图像、标记后图像及单像素点长度进行初始化，得到以识别边界为输出节点的脱碳层识别模型；
脱碳层检测：输入待测素材的原始图像及单像素点长度，采用所述脱碳层识别模型对所述待测素材进行识别分析，并输出所述待测素材的所述非材料组织区边界、所述材料组织区边界、所述总脱碳区边界和所述完全脱碳区边界。


2.根据权利要求1所述的检测方法，其特征在于，所述总脱碳区和所述材料组织区之间的边界为总脱碳层边界，所述总脱碳层边界的确认方法包括：对所述总脱碳层边界进行多组人工标记得到多组初始的所述总脱碳层边界，并根据初始的所述总脱碳层边界进行总脱碳层深度的人工检测得到多组人工检测深度值；根据多组所述人工检测深度值的平均值确认所述总脱碳层边界。


3.根据权利要求2所述的检测方法，其特征在于，当总脱碳层的深度＜0.1mm时，多组所述人工检测深度值的平均绝对误差≤第一预设值；当总脱碳层的深度≥0.1mm且＜0.3mm时，多组所述人工检测深度值的平均绝对误差≤第二预设值；当总脱碳层的深度≥0.3mm时，多组所述人工检测深度值的平均绝对误差≤第三预设值，所述第一预设值＜所述第二预设值＜所述第三预设值。


4.根据权利要求3所述的检测方法，其特征在于，所述第一预设值为0.025mm；所述第二预设值为0.04mm；当总脱碳层的深度≥0.3mm时，多组所述人工检测深度值的平均相对误差≤15％。


5.根据权利要求1-4任一项所述的检测方法，其特征在于，所述深度学习和所述脱碳层检测之间还包括：
验证优化：在所述素材库中选择多个所述金相照片素材作为验证素材，输入所述验证素材的原始图像及单像素点长度...

【专利技术属性】
技术研发人员：罗新中，肖命冬，龙显顺，李富强，张兆洋，朱祥睿，章玉成，游来有，麻国晓，文晖，康波，欧连发，姚勇，张显峰，吴锐滨，张煜平，刘金源，董凤奎，
申请(专利权)人：广东韶钢松山股份有限公司，
类型：发明
国别省市：广东;44